Update app.py

app.py

@@ -67,7 +67,6 @@ def health_check():
         "status": "ready" if model else "loading"
     }
 
-# --- NOUVELLE ROUTE POUR LOVABLE ---
 @app.post("/classify")
 async def classify_fashion(image_data: dict):
     """
@@ -84,7 +83,7 @@ async def classify_fashion(image_data: dict):
             raise HTTPException(status_code=400, detail="imageUrl is required")
         
         # Télécharger l'image depuis l'URL
-        response = requests.get(image_url)
+        response = requests.get(image_url, timeout=10)
         response.raise_for_status()
         
         # Ouvrir et préparer l'image
@@ -93,43 +92,48 @@ async def classify_fashion(image_data: dict):
         
         # Préparer toutes les catégories en anglais
         all_english_categories = []
+        category_mapping = {}  # Pour mapper vers le français
+        
         for fr_cat, en_categories in CATEGORIES_FR.items():
             all_english_categories.extend(en_categories)
+            for en_cat in en_categories:
+                category_mapping[en_cat] = fr_cat
+        
+        # Traitement par lots de toutes les catégories
+        inputs = processor(
+            text=all_english_categories,
+            images=image,
+            return_tensors="pt",
+            padding=True,
+            truncation=True,
+            max_length=77,
+            return_overflowing_tokens=False
+        )
         
-        # Traitement par lots pour éviter les problèmes de padding
-        results = {}
-        for category in all_english_categories:
-            inputs = processor(
-                text=[category],
-                images=image,
-                return_tensors="pt",
-                padding=True,
-                truncation=True
-            )
+        # Déplacer sur GPU si disponible
+        if torch.cuda.is_available():
+            inputs = {k: v.cuda() for k, v in inputs.items()}
+        
+        with torch.no_grad():
+            outputs = model(**inputs)
+            logits_per_image = outputs.logits_per_image
+            probs = logits_per_image.softmax(dim=1)
             
-            with torch.no_grad():
-                outputs = model(**inputs)
-                results[category] = outputs.logits_per_image.item()
+            # Convertir en dictionnaire de résultats
+            results = {cat: prob.item() for cat, prob in zip(all_english_categories, probs[0])}
         
-        # Trouver la catégorie anglaise avec le meilleur score
+        # Trouver la catégorie avec le meilleur score
         best_english_category = max(results, key=results.get)
         confidence = results[best_english_category]
         
         # Convertir en catégorie française
-        best_french_category = "autre"
-        for fr_cat, en_categories in CATEGORIES_FR.items():
-            if best_english_category in en_categories:
-                best_french_category = fr_cat
-                break
-        
-        # Normaliser la confiance entre 0 et 1
-        confidence_normalized = 1 / (1 + torch.exp(torch.tensor(-confidence))).item()
+        best_french_category = category_mapping.get(best_english_category, "autre")
         
         # Format de réponse exact pour Lovable
         return {
             "success": True,
             "category": best_french_category,
-            "confidence": round(confidence_normalized, 4),
+            "confidence": round(confidence, 4),
             "colorHex": "#000000",
             "originalCategory": best_english_category,
             "method": "modli-api"
@@ -139,7 +143,7 @@ async def classify_fashion(image_data: dict):
         raise HTTPException(status_code=400, detail=f"Invalid image URL: {str(e)}")
     except Exception as e:
         raise HTTPException(status_code=500, detail=f"Classification error: {str(e)}")
-
+        
 # Ancienne route pour compatibilité (si nécessaire)
 @app.post("/analyze")
 async def analyze_image_old():